25/10/2025 –, Avançada
Um sistema de self-healing para testes de UI que identifica e corrige falhas automaticamente, reduzindo retrabalho e aumentando a robustez dos testes.
Seletores quebrados são uma das principais causas de instabilidade em suítes de testes de UI. Mudanças sutis na interface, como a alteração de um atributo ou a reorganização de um componente, podem fazer com que testes falhem, mesmo sem impacto para o usuário final. Isso gera retrabalho, aumenta o custo de manutenção e mina a confiança nos testes automatizados.
Essas falhas comprometem diretamente o fluxo de CI/CD, atrasando entregas, aumentando o tempo de análise de erros e dificultando a identificação do que realmente precisa de atenção. Garantir que a automação seja resiliente é essencial para manter pipelines ágeis e eficientes.
Nesta palestra, apresento um sistema de self-healing para testes de UI com machine learning, desenvolvido para enfrentar esses desafios. A solução identifica falhas causadas por seletores desatualizados e age automaticamente para recuperar os testes e manter o fluxo do CI/CD sem interrupções desnecessárias.
Se você quer tornar sua automação mais inteligente e preparada para aplicações em constante evolução, essa palestra é para você.
Python, incluindo noções básicas sobre automação de testes e estrutura de código.
Testes de UI automatizados, com um entendimento básico do que esses testes fazem.
Conceitos de CI/CD, entendendo o papel da automação no pipeline de entrega contínua.
Machine Learning será abordado de forma bem básica e não precisa de um conhecimento prévio para entender.
Escolha uma ou mais áreas em que essa proposta se encaixa –Machine Learning e Inteligência Artificial, Testes, Arquitetura de software
O que as pessoas que participarem podem esperar aprender na sua atividade? –-
Quais problemas seletores quebrados causam em testes de UI e no fluxo de CI/CD.
-
Como projetar uma solução de self-healing para testes automatizados, integrando machine learning ao processo.
-
Como funciona o RandomForestClassifier e por que ele é adequado para classificar seletores alternativos.
-
Como coletar e usar fingerprints dos elementos para treinar um modelo de ML na prática.
-
Como integrar essa abordagem ao Playwright, Pytest e pipelines de CI/CD.
-
Quais são os principais desafios e pontos de atenção ao desenvolver sistemas de self-healing para automação de testes.
-
Ideias e inspirações para tornar suas próprias suítes de testes mais inteligentes e resilientes.
Software Quality Engineer na Red Hat, atuo com criação de frameworks de testes e automação de testes de API e UI. Entusiasta de Open Source e Agile Testing.